Terbit online pada laman web jurnal: http://journal.ittelkom-pwt.ac.id/index.

php/dinda

Journal of Dinda
Kelompok Keahlian Rekayasa Data
Institut Teknologi Telkom Purwokerto
Vol. 2 No. 1 (2022) 21 - 27 ISSN Media Elektronik: 2809-8064

Penerapan Face Recognition Berbasis GUI Visual Studio 2012

Menggunakan Algoritma Eigenface dan Metode Pengembangan Waterfall
Pada Sistem Absensi Mahasiswa IT Telkom Purwokerto

Ilham Fauzi1, Apri Junaidi2 , Wahyu Andi Saputra3

1Teknik Informatika, Fakultas Informatika, Institut Teknologi Telkom Purwokerto
2Sains Data, Fakultas Informatika, Institut Teknologi Telkom Purwokerto
3Teknik Informatika, Fakultas Informatika, Institut Teknologi Telkom Purwokerto

Email : 115102021@st3telkom.ac.id, 2apri@ittelkom-pwt.ac.id, 3andi@ittelkom-pwt.ac.id

Abstract
Every human being has unique characteristics, one of which is the face, which is a normal human feature. The
human face, of course, has distinct features that differentiate it from others, allowing it to be recognised by other
humans as well as by a machine capable of doing so. Facial recognition is closely linked to human biometrics
due to the fact that each person's face is unique information contained in it. The presence system is one example
of facial recognition technology that can be used.
The eigenface algorithm is one of the many methods used in the facial recognition process. Eigenface functions
are used to measure eigenvalue and eigenvector, which are used as facial recognition features. The image will be
represented in a vector combination that is made into a single matrix. From this single matrix, the main feature
that distinguishes one face image from another face image will be extracted. To be able to recognize and
recognise someone's face, this research includes an additional tool in the form of a web camera, also known as a
WebCam, and Visual Studio 2012 as the application to be used.
This facial recognition technology can be used by IT Telkom Purwokerto as a student attendance system. The
unsuccessful use of the previous RFID-based attendance system was one of the findings of the assessment of the
need to use technology face recognition as a student attendance system. Due to a variety of technical issues with
the attendance method, the attendance process was carried out manually using the lecturer's attendance file.

Keywords: Image, Eigenface, Face recognition, Image Processing, C #, Attendance System

Abstrak
Setiap manusia memiliki karakter yang berbeda antara satu dengan yang lainnya, salah satunya adalah
karakteristik alami yang dimiliki oleh manusia yaitu wajah. Wajah manusia tentu saja memiliki ciri unik yang
membedakan satu dengan lainnya, sehingga dapat dikenali oleh manusia lain maupun oleh suatu sistem yang
memiliki kemampuan tersebut. Pengenalan wajah berkaitan erat dengan biometrik manusia, hal tersebut
dikarenakan terdapat informasi unik yang terkandung di dalamnya. Teknologi pengenalan wajah dapat
dimanfaatkan salah satunya pada sistem presensi kehadiran.
Banyak metode yang digunakan pada proses pengenalan wajah, salah satunya dengan menggunakan algoritma
eigenface. Eigenface berfungsi untuk menghitung eigenvalue dan eigenvector yang akan digunakan sebagai fitur
dalam melakukan pengenalan wajah. Citra akan direpresentasikan dalam sebuah gabungan vektor yang dijadikan
satu matriks tunggal. Dari matriks tunggal ini akan di ekstrasi suatu ciri utama yang membedakan antara citra
wajah satu dengan citra wajah yang lainnya. Untuk dapat mengenali dan mengidentifikasi wajah seseorang maka
pada penelitian ini diperlukan sebuah tools tambahan berupa web camera atau sering kita kenal dengan istilah
WebCam dan aplikasi yang akan digunakan adalah Visual Studio 2012.

Diterima Redaksi : 17-06-2021 | Selesai Revisi : 10-01-2022 | Diterbitkan Online : 23-02-2022

21
 Ilham Fauzi1, Apri Junaidi2 , Wahyu Andi Saputra3
Journal of Dinda : Data Science, Information Technology, and Data Analytics
Vol . 2 No. 1 (2022) 21 – 27

Teknologi pengenalan wajah ini dapat dimanfaatkan oleh IT Telkom Purwokerto sebagai sistem presensi
kehadiran mahasiswa. Salah satu hasil evaluasi perlunya pemanfaatan teknologi face recognition sebagai sistem
presensi kehadiran mahasiswa dikarenakan belum optimalnya pemanfaatan sistem absensi berbasis RFID yang
sebelumnya telah digunakan, berbagai permasalahan teknis yang dihadapi oleh sistem absensi tersebut
mengakibatkan proses absensi kembali dilakukan secara manual menggunakan kertas absensi yang diberikan
oleh Dosen.

Kata kunci: Citra, Eigenface, Face recognition, Image Processing, C#, Sistem Absensi
© 2022 Jurnal DINDA

a. Pendahuluan kuliah, dengan melihat permasalahan tersebut penulis

Pemanfaatan teknologi informasi saat ini telah
mengalami perkembangan yang signifikan, hal tersebut
dikarenakan oleh kemajuan ilmu pengetahuan dan
teknologi yang menunjang kemudahan akses informasi
di berbagai aspek kehidupan. Salah satunya di dalam
dunia Pendidikan.
Terdapat banyak pemanfaatan teknologi informasi di
dalam dunia Pendidikan, salah satunya adalah sistem
presensi kehadiran. IT Telkom Purwokerto merupakan
salah satu perguruan tinggi swasta yang menerapkan
sistem presensi kehadiran mahasiswa menggunakan
teknologi Radio Frequency Identification (RFID) [1].
Sistem absensi berbasis RFID telah menggantikan
sistem absensi manual (menggunakan kertas) pada saat
itu.
Terdapat permasalahan yang dihadapi oleh IT Telkom
purwokerto terhadap penggunaan teknologi RFID pada
sistem presensi mahasiswa, diantaranya adalah masih
terdapatnya kekurangan, seperti sistem RFID offline
pada saat akan dilakukan proses absensi, sehingga hal
tersebut sangat mempengaruhi kelancaran kegiatan Pada penelitian ini terdapat tahapan penelitian yang
mata kuliah.
Perbandingan Jumlah Mahasiswa
dan Jumlah Dosen
berusaha mengembangkan sistem presensi dengan
menggunakan teknologi face recognition [2].
Face recognition banyak diterapkan pada banyak
bidang, salah satunya pada sistem presensi kehadiran,
tentunya dengan menggunakan berbagai macam
metode berbeda, seperti : jaringan syaraf tiruan [3],
principal component analysis [4], template matching
[5], learning vector quantization [6], dan euclidean [7].
Masing-masing metode tentunya memiliki keunggulan
dan kelemahan. Dari berbagai macam metode yang ada,
penulis menggunakan metode eigenface [8]. Penelitian
ini bertujuan untuk memberikan solusi terhadap
permasalahan sistem presensi kehadiran mahasiswa
pada Institut Teknologi Telkom Purwokerto. Solusi
yang penulis tawarkan adalah dengan memanfaatkan
sistem pengenalan wajah/ face recognition pada
presensi mahasiswa Institut Teknologi Telkom
Purwokerto
b. Metode Penelitian
dilakukan oleh penulis dalam mengembangkan sistem
presensi mahasiswa menggunakan tekknologi face
recognition.
Requirements Analysis

Institut Teknologi Telkom

Purwokerto…
Design
2000
0
2014 2015 2016 2017
Implementation
Jumlah Mahasiswa Jumlah Dosen

Gambar 1. 1 Perbandingan Jumlah Mahasiswa dan

Jumlah Dosen Institut Teknologi Telkom Purwokerto Verivication

Berdasarkan grafik perbandingan jumlah mahasiswa

dan dosesn pada tahun 2014 sampai dengan tahun
2017, didapatkan hasil bahwa jumlah mahasiswa IT Maintenance

Telkom Purwokerto semakin meningkat setiap

tahunnya. Sebagai perguruan tinggi swasta yang Gambar 2. 1. Alur kerja pengembangan waterfall
semakin diminati, IT Telkom membutuhkan sistem
yang dapat menunjang kelancaran kegiatan mata

Journal of Dinda : Data Science, Information Technology, and Data Analytics

Vol . 2 No. 1 (2022) 21 – 27
22
 Ilham Fauzi1, Apri Junaidi2 , Wahyu Andi Saputra3
Journal of Dinda : Data Science, Information Technology, and Data Analytics
Vol . 2 No. 1 (2022) 21 – 27

Gambar 2.1 alur kerja pengembangan waterfall yang Sistem Absensi Face Recognition

penulis lakukan dalam penelitian ini, yang secara garis

besar akan di jabarkan sebagai berikut : Melakukan
registrasi

a. Fase Definisi
Pada tahapan penelitian ini, penulis melakukan «includes»
analisis sistem yang sedang berjalan, kemudian Melakukan capture
image dari webcam
dari hasil analisis tersebut didapatkan sebuah
permasalahan [9], berdasarkan permasalahan yang
ditemukan pada sistem berjalan itulah penulis
melakukan analisis terhadap kebutuhan sistem Melakukan
Melakukan login
konfirmasi absensi
yang akan dirancang, apa saja yang dibutuhkan
oleh sistem selanjutnya untuk mengatasi
«includes»
permasalahan yang dihadapi oleh sistem yang
sedang berjalan Mahasiswa
Melihat data
b. Fase Desain absensi
Pada tahapan penelitian ini, penulis mendesain
sistem basis data yang akan digunakan,
merancang UML diagram [10], serta mendesain
struktur menu dan user interface aplikasi yang
akan digunakan. Gambar 2. 3. Use Case Mahasiswa

Sistem Absensi Face Recognition

Melakukan
registrasi

Menentukan directory
penyimpanan citra

Mengupdate data
Menambah data Menghapus data
mahasiswa
mahasiswa mahasiswa
«extends» «includes»
«extends» «extends»
«includes»
Mengelola data
mahasiswa

«includes»
Menambah data Mengupdate data Menghapus data
dosen dosen dosen
«extends»
«extends» «extends»
Gambar 2. 4. Mokeup form training citra
Mengelola data «includes»
Melakukan login
dosen

Menambah data Mengupdate data Menghapus data

kelas «includes»
kelas kelas
Admin «extends» «extends» «extends»

Mengelola data
kelas «includes»

«includes»

Menambah data Mengupdate data Melihat data

absensi absensi absensi

«extends» «extends» «extends»

«extends» Mencetak data
absensi
Mengelola data
absensi

Melakukan training
citra input

Gambar 2. 2. Use Case Admin Gambar 2. 5. Mokeup form absensi mahasiswa

c. Fase Implementasi
Pada tahapan penelitian ini, penulis melakukan
proses perancangan aplikasi (melakukan
pengkodean) dengan mengimplementasikan
perancangan model desain yang telah di buat pada
proses sebelumnya, serta mengimplementasikan
algoritma eigenface pada sistem.

Journal of Dinda : Data Science, Information Technology, and Data Analytics

Vol . 2 No. 1 (2022) 21 – 27
23
 Ilham Fauzi1, Apri Junaidi2 , Wahyu Andi Saputra3
Journal of Dinda : Data Science, Information Technology, and Data Analytics
Vol . 2 No. 1 (2022) 21 – 27

λ − 2 −1 0 𝑣1 0
[ −1 λ − 2 0 ] [𝑣2 ] = [0]
0 0 λ − 3 𝑣3 0
1 −1 0 0 𝑣 1
[−1 1 0] [0] = [𝑣2 ]
0 0 0 0 𝑣3
1 −1 0 𝑣1 1
Gambar 2. 7. Citra Gambar 2. 6. Citra [0 0 0] [𝑣2 ] = [−1]
Training 1 Training 2 0 0 0 𝑣3 0
𝑣1 1
Nilai tengah (mean) [𝑣2 ] = [−1]
𝑣3 0
𝑀
1
Ψ= ∑ Γ𝑛
𝑀
𝑛=1 Untuk 𝛌𝟐 = 𝟏
1 1 1 1 2 0 1 −1 −1 0 0 𝑣1
Ψ = [0 1 0 ] + [1 2 0] [−1 −1 0] [0] = [𝑣2 ]
2 𝑣3
1 2 2 0 2 4 0 0 0 0
1 0 1 0 0 0 𝑣1 −1
Ψ = [0 1 0 ] [−1 −1 0] [𝑣2 ] = [−1]
0 2 3 0 0 1 𝑣3 0
𝑣1 −1
Untuk mendapatkan nilai eigenface, maka [𝑣2 ] = [−1]
diperlukan nilai eigenvector. Untuk mendapatkan 𝑣3 0
nilai eigenvector, maka diperlukan nilai
eigenvalue.
Untuk 𝛌𝟑 = 𝟑
Menghitung Nilai Eigenvalue (𝜆) 1 −1 0 0 𝑣1
(𝐿 − λI) = 0 𝑎𝑡𝑎𝑢 (λI − L) = 0 [−1 1 0] [0] = [𝑣2 ]
0 0 0 0 𝑣3
1 0 0 2 1 0
𝑣1 0
0 = [0 1 0 ] − [1 2 0]
[𝑣2 ] = [0]
0 0 1 0 0 3
𝑣3 0
λ−2 −1 0 Menghitung Nilai Eigenface (𝜇)
𝑑𝑒𝑡 [ −1 λ−2 0 ]=0
𝑀
0 0 λ−3
𝜇𝑖 = ∑ 𝑣𝑖𝑘 ∅𝑘
λ−2 −1 0 λ − 2 −1 𝑘=1
[ −1 λ−2 0 ] [ −1 λ − 2] = 0 𝜇 = 𝑒𝑖𝑔𝑒𝑛𝑓𝑎𝑐𝑒
0 0 λ−3 0 0 𝑣 = 𝑒𝑖𝑔𝑒𝑛𝑣𝑒𝑐𝑡𝑜𝑟
3 2 ∅ = Selisih antara 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 image dengan nilai tengah
= λ − 7λ + 15λ − 9
Didapatkan hasil eigenvalue sebagai berikut : 𝑀 = Jumlah data wajah
λ1 = 3, λ2 = 1, λ3 = 3 𝜇1 = 𝑣 𝑥 ∅1
Menghitung Nilai Eigenvector (𝑣) 1 −1 0 0 1 0
Eigenvector dihasilkan dengan mensubtitusikan 𝜇1 = [−1 1 0] 𝑥 [0 0 0]
0 0 0 1 0 1
nilai eigenvalue ke dalam persamaan
0 1 0
(λI − L)v = 0 𝜇1 = [0 −1 0]
0 0 0
Untuk 𝛌𝟏 = 𝟑

𝜇2 = 𝑣 𝑥 ∅2

Journal of Dinda : Data Science, Information Technology, and Data Analytics

Vol . 2 No. 1 (2022) 21 – 27
24
 Ilham Fauzi1, Apri Junaidi2 , Wahyu Andi Saputra3
Journal of Dinda : Data Science, Information Technology, and Data Analytics
Vol . 2 No. 1 (2022) 21 – 27

1 −1 0 1 0 0 𝜀1 = 2,82
𝜇2 = [−1 1 0] 𝑥 [1 1 0]
0 0 0 0 0 1
0 −1 0 0 −1 −1
𝜇2 = [−2 −1 0] 𝜀2 = |[0 1 −1]|
0 0 0 0 0 0
𝜀2 = √(0)2 + (−1)2 + (−1)2 + (0)2 + (1)2 + (−1)2 + (0)2 + (0)2 + (0)2

𝜀1 = √4
𝜀1 = 2
Karena jarak (distance) eigenface pada image 2
dengan eigenface pada testface memiliki nilai
paling kecil, maka dapat disimpulkan bahwa
testface memiliki kemiripan ciri dengan image 2.
Gambar 2. 8 Citra Testing
Semakin kecil distance eigenface antara citra uji
Menghitung selisih testface dengan nilai tengah dan citra latih, maka akan semakin sesuai citra
(mean) yang dikenali.
∅𝑛𝑒𝑤 = 𝜇𝑛𝑒𝑤 − Ψ d. Fase Pengujian
2 1 1 1 0 1 Pada tahapan penelitian ini, penulis melakukan
∅𝑛𝑒𝑤 = [1 2 1 ] − [0 1 0] proses pengujian terhadap sistem yang telah
0 2 4 0 2 3 dirancang. Responden yang digunakan adalah
mahasiswa IT Telkom Purwokerto secara acak.,
1 1 0 pengujian ini dilakukan untuk mengetahui apakah
∅𝑛𝑒𝑤 = [1 1 1] seluruh komponen pada sistem dapat berfungsi
0 0 1 dengan baik.

Menghitung nilai eigenface pada testface 3. Hasil dan Pembahasan

𝜇𝑛𝑒𝑤 = v x ∅𝑛𝑒𝑤 3.1 Implementasi Mokeup Form Citra Training
1 −1 0 1 1 0
𝜇𝑛𝑒𝑤 = [−1 1 0] 𝑥 [1 1 1]
0 0 0 0 0 1
0 0 −1
𝜇𝑛𝑒𝑤 = [−2 −2 −1]
0 0 0
Menghitung selisih terkecil antara eigenface
training face dengan eigenface testing face
menggunakan euclidean distance
𝜀𝑘 = ||Ω − Ω𝑛𝑒𝑤 ||
0 1 0 0 0 −1
𝜀1 = |[0 −1 0] − [−2 −2 −1]|
0 0 0 0 0 0
0 1 −1 Gambar 3. 1. Implementasi form training citra
𝜀1 = |[2 1 −1]|
0 0 0 Gambar 3.1 merupakan implementasi desain form
𝜀1 training citra. Setiap mahasiswa akan diambil
sebanyak 10 macam citra training.
= √(0)2 + (1)2 + (−1)2 + (2)2 + (1)2 + (−1)2 + (0)2 + (0)2 + (0)2
3.2 Implementasi Mokeup Form Absensi
𝜀1 = √8
Mahasiswa

Journal of Dinda : Data Science, Information Technology, and Data Analytics

Vol . 2 No. 1 (2022) 21 – 27
25
 Ilham Fauzi1, Apri Junaidi2 , Wahyu Andi Saputra3
Journal of Dinda : Data Science, Information Technology, and Data Analytics
Vol . 2 No. 1 (2022) 21 – 27

Gambar 3. 2. Implementasi form absensi mahasiswa
Gambar 3.2 merupakan implementasi desain form
absensi mahasiswa. Di dalam form absensi
mahasiswa terdapat waktu yang digunakan untuk
memberikan batas waktu keterlambatan absensi
mahasiswa setiap kegiatan perkuliahan.
Gambar 3. 4. Pengujian Menyimpan Data Absensi
Gambar 3.4 merupakan hasil pengujian sistem yang
dilakukan untuk menyimpan data absensi setelah
sistem berhasil mengenali citra input mahasiswa
3.5 Pengujian Sistem (Batas keterlambatan absensi)

3.3 Pengujian sistem (Pengenalan wajah)

4. Kesimpulan
4.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan oleh
penulis, maka didapatkan kesimpulan sebagai
Gambar 3. 3. Pengujian Sitem Mengenali Wajah berikut :
1. Sistem absensi mahasiswa dengan menerapkan
Gambar 3.3 merupakan hasil pengujian sistem yang teknologi face recognition dapat berfungsi
dilakukan dengan wajah tanpa ekspresi, didapatkan dengan baik, sistem dapat mengenali wajah
hasil bahwa sistem dapat mengenali wajah sesuai mahasiswa yang terdeteksi pada webcam.
dengan identitas mahasiswa. 2. Algoritma eigenface yang digunakan pada
sistem absensi mahasiswa dapat berfungsi
dengan baik, hal tesebut dibuktikan dengan
keberhasilan sistem mendeteksi dan mengenali
wajah mahasiswa.
4.2 Saran
Berdasarkan hasil penelitian, terdapat beberapa
saran yang diberikan oleh penulis untuk penelitian
3.4 Pengujian Sistem (Menyimpan data absensi) selanjutnya, antara lain :
1. Menambah jumlah data training yang akan
digunakan, semakin banyak dan beragam data
training yang diambil, naka hasil yang didapatkan
akan semakin baik.
2. Melakukukan pengembangan aplikasi face

Journal of Dinda : Data Science, Information Technology, and Data Analytics

Vol . 2 No. 1 (2022) 21 – 27
26
 Ilham Fauzi1, Apri Junaidi2 , Wahyu Andi Saputra3
Journal of Dinda : Data Science, Information Technology, and Data Analytics
Vol . 2 No. 1 (2022) 21 – 27

recognition dengan menggunakan bahasa [5] M. A. Rahman and S. Wasista, “Sistem

pemrograman lain, seperti python dan java Pengenalan Wajah Menggunakan Webcam Untuk
3. Menerapkan algoritma lain pada penerapan face Absensi Dengan Metode Template Matching,”
recognition, sehingga didapatkan variasi baru dalam EEPIS Repos., vol. Vol 9, no. Pengenalan Wajah
pengembangan teknologi face recognition. Menggunakan Webcam Untuk Absensi Dengan
Metode Template Matching, pp. 1–6, 2010.
Daftar Rujukan [6] S. Heranurweni, “Pengenalan Wajah
Menggunakan Learning Vector Quantization
[1] H. Pranoto and O. Kusumawardani, “Real-time (LVQ),” Pros. SNST Fak. Tek., vol. 1, no. 1,
Triplet Loss Embedding Face Recognition for 2010.
Authentication Student Attendance Records [7] H. Kurniawan and T. Hidayat, “Perancangan
System Framework,” JOIV Int. J. Informatics Program Pengenalan Wajah Menggunakan Fungsi
Vis. Vol 5, No 2 (2021)DO - Jarak Metode Euclidean Pada Matlab,” Semin.
10.30630/joiv.5.2.480 , May 2021, [Online]. Nas. Apl. Teknol. Inf. 2008 (SNATI 2008)
Available: Yogyakarta, 21 Juni 2008, vol. Vol 1, no. Snati,
http://joiv.org/index.php/joiv/article/view/480. pp. 15–18, 2008.
[2] F. D. Adhinata, N. Annisa, F. Tanjung, W. [8] N. K. A. Wirdiani, P. Hridayami, N. P. A.
Widayat, and G. R. Pasfica, “Comparative Study Widiari, K. D. Rismawan, P. B. Candradinata, and
of VGG16 and MobileNetV2 for Masked Face I. P. D. Jayantha, “Face Identification Based on
Recognition,” vol. 7, no. 2, pp. 230–237, 2021, K-Nearest Neighbor,” Sci. J. Informatics, vol. 6,
doi: 10.26555/jiteki.v7i2.20758.
no. 2, pp. 150–159, 2019, doi:
[3] A. Fadlil and S. Yeki, “Sistem Verifikasi Wajah 10.15294/sji.v6i2.19503.
Menggunakan Jaringan Saraf Tiruan Learning [9] F. Z. Ramadhan, G. Aditya, P. D. Y. Nainggolan,
Vector Quantization,” J. Inform., vol. 4, no. 2, pp. and F. D. Adhinata, “Sistem Pakar Diagnosa
480–487, 2012, doi: 10.12928/jifo.v4i2.a5279. Penyakit pada Hewan Kucing Berbasis Web,” J.
[4] K. Gunadi and S. R. Pongsitaan, “Pembuatan
Komtika (Komputasi dan Inform., vol. 5, no. 2,
Perangkat Lunak Pengenalan Wajah pp. 122–131, 2021.
Menggunakan Principal Components Analysis,” J. [10] V. Sahfitri, “Perancangan sistem reservasi dan
Inform., vol. Vol 2, no. Perangkat Lunak promosi hotel berbasis website,” J. Inform., vol.
Pengenalan Wajah Menggunakan Principal 20, no. 1, pp. 54–66, 2020.
Components Analysis, pp. 57–61, 2001.

Journal of Dinda : Data Science, Information Technology, and Data Analytics

Vol . 2 No. 1 (2022) 21 – 27
27